深度学习自旋泡沫顶点振幅：欧几里得 Barrett-Crane 模型

自旋泡沫理论为量子引力提出了一种定义良好的路径积分表述，并有望提供圈量子引力的动力学。然而，计算自旋泡沫振幅在计算上十分困难。被广泛研究的欧几里得 Barrett-Crane 模型为检验分析及数值工具以探究自旋泡沫模型提供了一个极佳的平台。我们探索了一种数据驱动的方法来加速自旋泡沫计算，表明顶点振幅是一个可以通过深度学习从数据中学习的对象。我们将学习过程分为分类和回归两个任务：分别独立设计两个网络，一个用于判断振幅是否为零，另一个用于预测精确的数值。训练后的网络通过多种精度度量进行了测试。特别是，分类器在远离训练域的区域展示了稳健的泛化能力，而回归器在其训练域内展示了高预测精度。我们讨论了其局限性、可能的改进以及对未来工作的启示。